Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Introducción a la probabilidad Luis Rincón Departamento de Matemáticas Facultad de Ciencias UNAM Circuito Exterior de CU 04510 México DF Agosto 2014 Prólogo El presente trabajo contiene material suficiente para un primer curso a nivel universitario sobre la teoŕıa de la probabilidad. Está dirigido a estudiantes de las carreras de actuaŕıa, matemáticas y otras carreras cient́ıficas simila- res cuyos programas de estudio contemplan un curso en donde se muestren los resultados, usos y aplicaciones de la probabilidad. Se exponen temas tradicionales de la probabilidad básica, se estudian las variables aleatorias más conocidas y sus distribuciones de probabilidad, aśı como algunas técni- cas y resultados clásicos de la probabilidad. Se ha buscado que en el texto aparezcan numerosas gráficas y diagramas con el objetivo de hacer las ex- plicaciones más claras. Para una lectura provechosa de este material, se requiere tener cierta familiaridad con algunos conceptos del álgebra y del cálculo diferencial e integral. Agradezco sinceramente a los revisores anónimos quienes emitieron dictáme- nes constructivos acerca de este trabajo. Agradezco también el apoyo finan- ciero del programa PAPIME a través proyecto PE101113, DGAPA, UNAM, con el cual fue posible la impresión de este texto y la elaboración del curso en videos disponible en la página web http://www.matematicas.unam.mx/lars/0625 Luis Rincón Agosto 2014 Ciudad Universitaria UNAM lars@ciencias.unam.mx Contenido 1. Probabilidad elemental 1 1.1. Experimentos aleatorios . . . . . . . . . . . . . . . . . . . . . 3 1.2. Espacio muestral . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3. Operaciones con conjuntos . . . . . . . . . . . . . . . . . . . . 8 1.4. Probabilidad clásica . . . . . . . . . . . . . . . . . . . . . . . 19 1.5. Probabilidad geométrica . . . . . . . . . . . . . . . . . . . . . 22 1.6. Probabilidad frecuentista . . . . . . . . . . . . . . . . . . . . 29 1.7. Probabilidad subjetiva . . . . . . . . . . . . . . . . . . . . . . 33 1.8. Probabilidad axiomática . . . . . . . . . . . . . . . . . . . . . 34 1.9. Sigmas álgebras . . . . . . . . . . . . . . . . . . . . . . . . . . 45 1.10. Sigma álgebra de Borel . . . . . . . . . . . . . . . . . . . . . . 49 1.11. Espacios de probabilidad . . . . . . . . . . . . . . . . . . . . . 51 1.12. Análisis combinatorio . . . . . . . . . . . . . . . . . . . . . . 54 1.13. Probabilidad condicional . . . . . . . . . . . . . . . . . . . . . 69 1.14. Teorema de probabilidad total . . . . . . . . . . . . . . . . . 75 1.15. Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . 81 1.16. Independencia de eventos . . . . . . . . . . . . . . . . . . . . 86 1.17. Continuidad de las medidas de probabilidad . . . . . . . . . . 95 2. Variables aleatorias 103 2.1. Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . 103 2.2. Función de probabilidad . . . . . . . . . . . . . . . . . . . . . 113 2.3. Función de distribución . . . . . . . . . . . . . . . . . . . . . 123 2.4. Teorema de cambio de variable . . . . . . . . . . . . . . . . . 137 2.5. Independencia de variables aleatorias . . . . . . . . . . . . . . 141 2.6. Esperanza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145 iii iv Contenido 2.7. Varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158 2.8. Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166 2.9. Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170 2.10. Función generadora de probabilidad . . . . . . . . . . . . . . 173 2.11. Función generadora de momentos . . . . . . . . . . . . . . . . 178 3. Distribuciones de probabilidad 185 3.1. Distribución uniforme discreta . . . . . . . . . . . . . . . . . 185 3.2. Distribución Bernoulli . . . . . . . . . . . . . . . . . . . . . . 190 3.3. Distribución binomial . . . . . . . . . . . . . . . . . . . . . . 195 3.4. Distribución geométrica . . . . . . . . . . . . . . . . . . . . . 202 3.5. Distribución binomial negativa . . . . . . . . . . . . . . . . . 208 3.6. Distribución hipergeométrica . . . . . . . . . . . . . . . . . . 213 3.7. Distribución Poisson . . . . . . . . . . . . . . . . . . . . . . . 217 3.8. Distribución uniforme continua . . . . . . . . . . . . . . . . . 225 3.9. Distribución exponencial . . . . . . . . . . . . . . . . . . . . . 230 3.10. Distribución gama . . . . . . . . . . . . . . . . . . . . . . . . 235 3.11. Distribución beta . . . . . . . . . . . . . . . . . . . . . . . . . 240 3.12. Distribución Weibull . . . . . . . . . . . . . . . . . . . . . . . 243 3.13. Distribución normal . . . . . . . . . . . . . . . . . . . . . . . 246 3.14. Distribución ji-cuadrada . . . . . . . . . . . . . . . . . . . . . 255 3.15. Distribución t . . . . . . . . . . . . . . . . . . . . . . . . . . . 259 3.16. Distribución F . . . . . . . . . . . . . . . . . . . . . . . . . . 263 4. Vectores aleatorios 267 4.1. Vectores aleatorios . . . . . . . . . . . . . . . . . . . . . . . . 267 4.2. Función de probabilidad conjunta . . . . . . . . . . . . . . . . 269 4.3. Función de distribución conjunta . . . . . . . . . . . . . . . . 280 4.4. Función de probabilidad marginal . . . . . . . . . . . . . . . . 286 4.5. Función de distribución marginal . . . . . . . . . . . . . . . . 290 4.6. Independencia de variables aleatorias . . . . . . . . . . . . . . 292 4.7. Distribución condicional . . . . . . . . . . . . . . . . . . . . . 297 4.8. Esperanza condicional . . . . . . . . . . . . . . . . . . . . . . 301 4.9. Covarianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304 4.10. Coeficiente de correlación . . . . . . . . . . . . . . . . . . . . 307 5. Teoremas ĺımite 311 Contenido v 5.1. Desigualdad de Chebyshev . . . . . . . . . . . . . . . . . . . . 311 5.2. Convergencia de variables aleatorias . . . . . . . . . . . . . . 315 5.3. La ley de los grandes números . . . . . . . . . . . . . . . . . . 319 5.4. El teorema central del ĺımite . . . . . . . . . . . . . . . . . . 326 A. Apéndice 341 A.1. Notación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 341 A.2. El alfabeto griego . . . . . . . . . . . . . . . . . . . . . . . . . 342 A.3. Exponentes y logaritmos . . . . . . . . . . . . . . . . . . . . . 342 A.4. Fórmulas para sumas . . . . . . . . . . . . . . . . . . . . . . . 343 A.5. Fórmulas de derivación e integración . . . . . . . . . . . . . . 344 A.6. El lema de Abel . . . . . . . . . . . . . . . . . . . . . . . . . . 346 A.7. Fórmula de Stirling . . . . . . . . . . . . . . . . . . . . . . . . 346 A.8. Notación o-pequeña . . . . . . . . . . . . . . . . . . . . . . . 346 A.9. Tabla de la distribución normal estándar . . . . . . . . . . . . 348 A.10.Tabla de la distribución tpnq . . . . . . . . . . . . . . . . . . . 349 A.11.Tabla de la distribución χ2pnq . . . . . . . . . . . . . . . . . . 350 Índice anaĺıtico 353 vi Contenido Caṕıtulo 1 Probabilidad elemental En esta primera parte estudiaremos algunos de los conceptos más elemen- tales de la teoŕıa de la probabilidad. Esta teoŕıa matemática tuvo como uno de sus primeros puntos de partida el intentar resolver un problema parti- cular concerniente a una apuesta de juego de dados entre dos personas. El problema al que nos referimos involucraba una gran cantidad de dinero y puede plantearse de la siguiente forma: Dos jugadores escogen cada uno de ellos un número del 1 al 6, distinto uno del otro, y apuestan 32 doblones de oro a que el número escogido por uno de ellos aparece en tres ocasiones an- tes que el número del contrario al lanzar sucesivamente un dado. Suponga que el número de uno de los jugadores ha aparecido dos veces y el número del otro una sola vez. Bajo estas circunstan- cias, ¿cómo debe dividirse el total de la apuesta si el juego se suspende? Uno de los apostadores, Antonio de Gombaud, popularmente conocido co-mo el caballero De Méré, deseando conocer la respuesta al problema plantea la situación a Blaise Pascal (1623-1662). Pascal a su vez consulta con Pierre de Fermat (1601-1665) e inician estos últimos un intercambio de cartas a propósito del problema. Esto sucede en el año de 1654. Con ello se inician algunos esfuerzos por dar solución a éste y otros problemas similares que se plantean. Con el paso del tiempo se sientan las bases y las experien- cias necesarias para la búsqueda de una teoŕıa matemática que sintetice los 1 2 1. Probabilidad elemental conceptos y los métodos de solución de los muchos problemas particulares resueltos a lo largo de varios años. En el segundo congreso internacional de matemáticas, celebrado en la ciudad de Paris en el año 1900, el matemático David Hilbert (1862-1943) planteó 23 problemas matemáticos de importan- cia de aquella época. Uno de estos problemas era el de encontrar axiomas o postulados a partir de los cuales se pudiera construir una teoŕıa matemática de la probabilidad. Aproximadamente treinta años después, en 1933, el ma- temático ruso A. N. Kolmogorov (1903-1987) propone ciertos axiomas que a la postre resultaron adecuados para la construcción de una teoŕıa de la probabilidad. Esta teoŕıa prevalece hoy en d́ıa y ha adquirido el calificativo de teoŕıa clásica. Blaise Pascal (Francia 1623–1662) Pierre de Fermat (Francia 1601–1665) Actualmente la teoŕıa de la probabilidad se ha desarrollado y extendido enormemente gracias a muchos pensadores que han contribuido a su creci- miento, y es sin duda una parte importante y bien establecida de las ma- temáticas. La teoŕıa de la probabilidad ha resultado muy útil para modelar matemáticamente fenómenos de muy diversas disciplinas del conocimiento humano en donde es necesario incorporar la incertidumbre o el azar como un elemento del modelo. Aśı, la probabilidad puede definirse como aque- lla parte de las matemáticas que se encarga del estudio de los fenómenos aleatorios. 1.1. Experimentos aleatorios 3 1.1. Experimentos aleatorios Existen dos tipos de fenómenos o experimentos en la naturaleza: los determi- nistas y los aleatorios. Un experimento determinista es aquel que produce el mismo resultado cuando se le repite bajo las mismas condiciones, por ejemplo, medir el volumen de un gas cuando la presión y la temperatura son constantes produce teóricamente siempre el mismo resultado, o medir el ángulo de un rayo de luz reflejado en un espejo resulta siempre en el mismo resultado cuando el ángulo de incidencia es el mismo y el resto de las condiciones son constantes. Muchas otras leyes de la f́ısica son ejemplos de situaciones en donde bajo idénticas condiciones iniciales, el resultado del experimento es siempre el mismo. En contraparte, un experimento aleatorio es aquel que cuando se le repite bajo las mismas condiciones, el resultado que se observa no siempre es el mismo y tampoco es predecible. El lanzar una moneda al aire y observar la cara de la moneda que mira hacia arriba, o registrar el número ganador en un juego de loteŕıa, son ejemplos cotidianos de experimentos aleatorios. Nuestro interés consiste en estudiar algunos modelos matemáticos, con- ceptos y resultados, que nos ayuden a tener un mejor entendimiento y control de los muy diversos fenómenos aleatorios que afectan la vida del hombre. Para ser más precisos, pediremos que los experimentos aleatorios que consi- deremos cumplan teóricamente las caracteŕısticas siguientes y con ello res- tringimos sensiblemente el campo de aplicación: a) El experimento debe poder ser repetible bajo las mismas condiciones iniciales. b) El resultado de cualquier ensayo del experimento es variable y depende del azar o de algún mecanismo aleatorio. Es necesario mencionar, sin embargo, que en algunas ocasiones no es evi- dente poder clasificar un experimento dado en aleatorio o determinista, esto dependerá del observador, de lo que él o ella conozca del experimento y de lo que esta persona desea observar en el experimento. Aśı, el experimento 4 1. Probabilidad elemental mismo no está separado completamente del observador, pues la concepción, entendimiento y realización del experimento aleatorio dependen en alguna medida y en alguna forma del observador mismo. En la siguiente sección de ejercicios se muestran algunos casos particulares. Por otro lado, debe obser- varse que convenientemente hemos dejado sin definir el término azar. Este es un concepto dif́ıcil de capturar formalmente en una definición, al usar este término únicamente haremos referencia a la vaga noción intuitiva que cada uno de nosotros posee acerca del azar según nuestra propia experiencia cotidiana. Ejercicios 1. Clasifique los siguientes experimentos en deterministas o aleatorios, si es necesario añada hipótesis o condicionea adicionales para justificar su respuesta: a) Registrar el número de accidentes que ocurren en una determi- nada calle de una ciudad. b) Observar la temperatura a la que hierve el agua a una altitud dada. c) Registrar el consumo de electricidad de una casa-habitación en un d́ıa determinado. d) Registrar la hora a la que desaparece el sol en el horizonte en un d́ıa dado visto desde una posición geográfica determinada. e) Observar el precio que tendrá el petróleo dentro de un año. f ) Registrar la altura máxima que alcanza un proyectil lanzado ver- ticalmente. g) Observar el número de años que vivirá un bebé que nace en este momento. h) Observar el ángulo de reflexión de un haz de luz incidente en un espejo. i) Registrar la precipitación pluvial anual en una zona geográfica determinada. 1.2. Espacio muestral 5 j ) Observar el tiempo que tarda un objeto en caer al suelo cuando se le deja caer desde una altura dada. k) Registrar el ganador de una elección en un proceso de votación libre y secreto. l) Observar la posición de una molécula de ox́ıgeno en una habita- ción después de dejarla en libre movimiento durante un minuto. 2. ¿Qué es el azar? Intente escribir una definición formal que se apegue lo más posible a su propio entendimiento de este concepto. 1.2. Espacio muestral Hemos mencionado que la teoŕıa de la probabilidad es la parte de las ma- temáticas que se encarga del estudio de los fenómenos o experimentos alea- torios. En principio no sabemos cuál será el resultado de un experimento aleatorio, aśı que por lo menos conviene agrupar en un conjunto a todos los resultados posibles. Esto lleva a la siguiente definición. Definición 1.1 El espacio muestral, o también llamado espacio mues- tra, de un experimento aleatorio es el conjunto de todos los posibles resultados del experimento, y se le denota generalmente por la letra griega Ω (omega mayúscula). A un resultado particular se le denota por la letra ω (omega minúscula). Más adelante mostraremos que el espacio muestral no es necesariamente único y su determinación depende de lo que desea observar o estudiar la persona que realiza el experimento aleatorio. En algunos textos se usa tam- bién la letra S para denotar al espacio muestral. Esta letra proviene del término sampling space de la lengua inglesa, equivalente a espacio muestral. Por otro lado y de manera preliminar llamaremos evento o suceso a cual- quier subconjunto del espacio muestral y los denotaremos por las primeras letras del alfabeto en mayúsculas: A,B,C, . . . o bien por alguna otra letra en 6 1. Probabilidad elemental mayúscula que nos ayude a identificar de mejor manera al evento. A través de algunos ejemplos ilustraremos a continuación los conceptos de espacio muestral y evento. Ejemplo 1.1 Si un experimento aleatorio consiste en lanzar un dado y observar el número que aparece en la cara superior, entonces claramente el espacio muestral es el conjunto Ω “ t1, 2, 3, 4, 5, 6u. Como ejemplo de un evento para este experimento podemos definir el conjunto A “ t2, 4, 6u, que corresponde al suceso de obtener como resultadoun número par. Si al lanzar el dado una vez se obtiene el número “4”, decimos entonces que se observó la ocurrencia del evento A, y si se obtiene por ejemplo el resultado “1”, decimos que no se observó la ocurrencia del evento A. ‚ Ejemplo 1.2 Considere el experimento aleatorio de participar en un jue- go de loteŕıa. Suponga que hay un millón de números en esta loteŕıa y un jugador participa con un boleto. ¿Cuál es un posible espacio muestral para este experimento si únicamente uno de los posibles números es el ganador? Naturalmente al jugador le interesa conocer su suerte en este juego y puede proponer como espacio muestral el conjunto Ω “ t“ganar”, “perder” u. Sin embargo puede también tomarse como espacio muestral el conjunto que con- tiene a todos los posibles números ganadores, es decir, Ω “ t1, 2, . . . , 106u. Este ejemplo sencillo muestra que el espacio muestral de un experimento aleatorio no es único y depende del interés del observador. ‚ Ejemplo 1.3 Suponga que un experimento aleatorio consiste en observar el tiempo en el que una máquina en operación sufre su primera descom- postura. Si se consideran mediciones continuas del tiempo, entonces puede adoptarse como espacio muestral para este experimento el intervalo r0,8q. El subconjunto A “ r1, 2s corresponde al evento en el que la primera des- compostura se observe entre la primera y la segunda unidad de tiempo. Si se consideran mediciones discretas del tiempo, ¿cuál podŕıa ser un posible espacio muestral para este experimento? ‚ Se dice que un evento es simple cuando consta de un solo elemento del es- pacio muestral, en cambio, se llama compuesto cuando consta de mas de un 1.2. Espacio muestral 7 elemento del espacio muestral. Puesto que los conceptos de espacio muestral y evento involucran forzosamente el manejo de conjuntos, recordaremos en la siguiente sección algunas operaciones entre estos objetos y ciertas pro- piedades que nos serán de suma utilidad. Nuestro objetivo es calcular la probabilidad de ocurrencia de los diversos eventos en un experimento alea- torio. Ejercicios 3. Determine un espacio muestral para el experimento aleatorio consis- tente en: a) Observar la posición de un part́ıcula en un instante dado, la cual se mueve sin restricciones en un espacio tridimensional. b) Registrar el número de personas que requieren hospitalización en el siguiente accidente automoviĺıstico atendido por los servicios de emergencia en una localidad dada. c) Lanzar un dado hasta que se obtiene un “6”. d) Registrar la fecha de cumpleaños de n personas escogidas al azar. e) Observar la forma en la que r personas que abordan un elevador en la planta baja de un edificio descienden en los pisos 1, 2, . . . , n. f ) Registrar la duración de una llamada telefónica escogida al azar. g) Observar el número de años que le restan de vida a una perso- na escogida al azar dentro del conjunto de asegurados de una compañ́ıa aseguradora. 4. Proponga un espacio muestral para el experimento aleatorio de lanzar tres monedas a un mismo tiempo suponiendo que las monedas: a) Son distinguibles. b) No son distinguibles. 5. Considere el experimento aleatorio de lanzar dos dados distinguibles. Escriba expĺıcitamente los resultados asociados a los siguientes eventos y determine su cardinalidad. 8 1. Probabilidad elemental a) A ““La suma de los dos re- sultados es 7.” b) B ““Uno de los dos dados cae en número impar y el otro en número par.” c) C ““El resultado de un dado difiere del otro en a lo sumo una unidad.” d) D ““El resultado de un da- do difiere del otro en por lo menos cuatro unidades.” e) E “ A X B. f ) F “ Bc. g) G “ C Y D. 1.3. Operaciones con conjuntos Nos interesa poder identificar a todos los posibles eventos en un experimen- to aleatorio, pues deseamos calcular la probabilidad de ocurrencia de cada uno de ellos. Recordemos que pueden obtenerse nuevos conjuntos a partir de una colección inicial de eventos y algunas operaciones sobre ellos, como las que definiremos más adelante. Consideraremos que estos nuevos conjun- tos son también eventos y deseamos poder calcular su probabilidad. Por lo tanto, nos será útil revisar brevemente algunas operaciones entre conjuntos. Veamos primero algunos conceptos y notación elementales. Supondremos que el espacio muestral Ω de un experimento aleatorio es una especie de conjunto universal y, como hemos mencionado antes, cualquier elemento de Ω lo denotaremos por la letra ω (omega minúscula). Al con- junto vaćıo lo denotaremos como es usual por el śımbolo H. Otros śımbolos usuales son los de pertenencia (P), o no pertenencia (R) de un elemento en un conjunto, y los de contención (Ă,Ď), o no contención (Ć) de un conjun- to en otro. ¿Puede usted explicar el significado del śımbolo Ł? Justamente, decimos que A es un subconjunto propio de B si A Ł B. La igualdad de dos conjuntos A y B significa que se cumplen las dos contenciones: A Ă B y B Ă A. Por último, si A es un conjunto, denotamos la cardinalidad o núme- ro de elementos de ese conjunto por el śımbolo #A. Ahora procederemos a definir algunas operaciones entre conjuntos. 1.3. Operaciones con conjuntos 9 Sean A y B dos subconjuntos cualesquiera de Ω. Recordamos a continuación las operaciones básicas de unión, intersección, diferencia y complemento: A Y B “ tω P Ω : ω P A ó ω P Bu, A X B “ tω P Ω : ω P A y ω P Bu, A ´ B “ tω P Ω : ω P A y ω R Bu, Ac “ tω P Ω : ω R Au. Cuando los conjuntos se expresan en palabras, la operación unión, A Y B, se lee “A ó B” y la intersección, A X B, se lee “A y B”. En la Figura 1.1 se muestran en diagramas de Venn estas dos operaciones. Ω A B A Y B Ω A B A X B Figura 1.1 La diferencia entre dos conjuntos A y B se denota por A´B, y corresponde a aquel conjunto de elementos de A que no pertenecen a B, es decir, A´B se define como AXBc. En general, el conjunto A´B es distinto de B ´A, de hecho estos conjuntos son siempre ajenos, ¿puede usted comprobar tal afirmación? ¿en qué caso ambos conjuntos coinciden? Por otro lado el com- plemento de un conjunto A se denota por Ac y se define como la colección de aquellos elementos de Ω que no pertenecen a A. Mediante un diagrama de Venn ilustramos gráficamente las operaciones de diferencia y complemento en la Figura 1.2. Ejemplo 1.4 Sea A el conjunto de aquellas personas que tienen hijos y B la colección de aquellas personas que están casadas. Entonces el conjunto AXB consta de aquellas personas que están casadas y tienen hijos, mientras que el conjunto A X Bc está constituido por aquellas personas que tienen 10 1. Probabilidad elemental Ω A B A ´ B Ω A Ac Figura 1.2 hijos pero no están casadas. ¿Quién es Ac X B? Observe que cada persona es un elemento de alguno de los siguientes conjuntos: AXB, AXBc, Ac XB ó Ac X Bc. ¿A cuál de ellos pertenece usted? ‚ Es fácil verificar que el conjunto vaćıo y el conjunto total satisfacen las siguientes propiedades elementales: para cualquier evento A, A Y H “ A. A X Ω “ A. A X H “ H. A Y Ac “ Ω. A Y Ω “ Ω. A X Ac “ H. Además, las operaciones unión e intersección son asociativas, esto es, satis- facen las siguientes igualdades: A Y pB Y Cq “ pA Y Bq Y C, A X pB X Cq “ pA X Bq X C, y también son distributivas, es decir, A X pB Y Cq “ pA X Bq Y pA X Cq, A Y pB X Cq “ pA Y Bq X pA Y Cq. Recordemos también la operación diferencia simétrica entre dos conjuntos A y B, denotada por A△B, y definida como sigue A△B “ pA Y Bq ´ pB X Aq. En la Figura 1.3 ilustramos gráficamente el conjunto resultante de efec- tuar la diferencia simétrica entre los conjuntos A y B. Visualmente es 1.3. Operaciones con conjuntos 11 fácil comprobar que la diferencia simétrica también puede escribirse como pA´BqYpB´Aq. ¿Cómo podŕıa expresarse en palabras al conjunto A△B? Ω A B A△B Figura 1.3 Recordemos además las muy útiles leyes de De Morgan: pA Y Bqc “ Ac X Bc, pA X Bqc “ Ac Y Bc. La validez de estas dos igualdades puede extendersea colecciones finitas e incluso arbitrarias de conjuntos. ¿Puede usted escribir estas identidades para n conjuntos? Conjuntos ajenos Cuando dos conjuntos no tienen ningún elemento en común se dice que son ajenos, es decir, los conjuntos A y B son ajenos o disjuntos si se cumple la igualdad A X B “ H. Por ejemplo, si Ω “ t1, 2, 3, 4, 5, 6u, entonces los conjuntos A “ t1, 2u y B “ t3, 4u son ajenos pues no hay ningún elemento común entre ellos. El ejemplo general más importante de conjuntos o eventos ajenos es la pareja dada por A y Ac, para cualquier conjunto A. La propiedad de ser ajenos puede extenderse al caso cuando se tienen varios conjuntos: decimos que n conjuntos A1, . . . , An son ajenos si A1 X ¨ ¨ ¨ X An “ H, y se dice que son ajenos dos a dos (o mutuamente ajenos) si Ai X Aj “ H para cualesquiera valores de los ı́ndices i, j “ 1, 2, . . . , n, con i distinto de j. La propiedad de ser ajenos dos a dos para una colección de eventos implica que los conjuntos son 12 1. Probabilidad elemental ajenos, sin embargo, el hecho de que todos ellos sean ajenos no implica que sean ajenos dos a dos. Es decir, la propiedad de ser ajenos dos a dos es más fuerte que la propiedad de ser simplemente ajenos y es la que usualmente supondremos en la mayoŕıa de los casos. Ilustraremos la situación con el siguiente ejemplo. Ejemplo 1.5 Los conjuntos A “ t1, 2u, B “ t2, 3u y C “ t3, 4u son ajenos pues A X B X C “ H, pero no son ajenos dos a dos pues, por ejemplo, el conjunto A X B no es vaćıo. Aśı, los conjuntos A, B y C son ajenos en el sentido de que la intersección de todos ellos es vaćıa pero no son ajenos dos a dos. ‚ Las operaciones entre conjuntos que mencionaremos a continuación no son elementales y producen nuevos conjuntos que se encuentran en un nivel distinto al de los conjuntos originales. Conjunto potencia El conjunto potencia de Ω, denotado por 2Ω, es aquel conjunto constituido por todos los subconjuntos posibles de Ω. En términos estrictos esta nueva colección deja de ser un conjunto y se le llama clase de subconjuntos de Ω, aunque seguiremos usando el primer término en nuestro tratamiento elemental de conjuntos. Por ejemplo, si Ω “ ta, b, cu, entonces el conjunto 2Ω consta de 8 elementos, a saber, 2Ω “ ! H, tau, tbu, tcu, ta, bu, ta, cu, tb, cu,Ω ) . Observe que los elementos del conjunto potencia son en śı mismos conjuntos, y que en esta colección están contenidos todos los eventos que podŕıan ser de interés en un experimento aleatorio. No es dif́ıcil demostrar que cuando #Ω ă 8, #p2Ωq “ 2#Ω, es decir, el número de elementos en el conjunto 2Ω es exactamente 2 elevado a la potencia dada por la cardinalidad de Ω. De este hecho proviene la notación usada para el conjunto potencia: 2Ω. Observe que la expresión 2Ω no tiene el significado matemático del número 2 elevado a la potencia Ω pues ello no tiene sentido. Debe considerarse, por lo tanto, como un śımbolo para 1.3. Operaciones con conjuntos 13 denotar al conjunto potencia y que ayuda a recordar el número de elementos en dicha clase. Para el ejemplo anterior se comprueba que la cardinalidad de 2Ω es efectivamente 2#Ω “ 23 “ 8. Producto cartesiano El producto cartesiano de dos conjuntos A y B, denotado por A ˆ B, se define como la colección de todas las parejas ordenadas pa, bq, en donde a es cualquier elemento de A, y b es cualquier elemento de B. En śımbolos, A ˆ B “ tpa, bq : a P A y b P Bu. Ejemplo 1.6 Si A “ ta1, a2u y B “ tb1, b2, b3u, entonces A ˆ B “ tpa1, b1q, pa1, b2q, pa1, b3q, pa2, b1q, pa2, b2q, pa2, b3qu. Este conjunto puede representarse gráficamente mediante un diagrama de árbol como el que se ilustra en la Figura 1.4 . ‚ b a1 a2 b1 b2 b3 b1 b2 b3 pa1, b1q pa1, b2q pa1, b3q pa2, b1q pa2, b2q pa2, b3q Figura 1.4 Ejemplo 1.7 Si un hombre tiene 6 camisas y 7 pantalones, ¿de cuántas maneras diferentes puede vestirse con estas prendas? Respuesta: 6 ˆ 7 “ 42. ‚ 14 1. Probabilidad elemental En general los conjuntos producto A ˆ B y B ˆ A son distintos pues la pareja pa, bq es distinta de pb, aq, sin embargo ambos conjuntos tienen la misma cardinalidad, esto es, ambos tienen el mismo número de elementos. Si la cardinalidad de A es el número n, y la cardinalidad de B es m, entonces la cardinalidad del conjunto A ˆ B es el producto n ¨ m. Este resultado es llamado principio de multiplicación y se aplica con mucha frecuencia en los procesos de conteo. Un poco más generalmente, si A1, A2, . . . , Ak son conjuntos tales que #Ai “ ni ě 1 para i “ 1, . . . , k, entonces el producto cartesiano A1 ˆA2 ˆ ¨ ¨ ¨ ˆAk que consta de todos los vectores de la forma pa1, a2, . . . , akq con ai P Ai tiene un total de n1 ¨ n2 ¨ ¨ ¨nk elementos, es decir, #pA1 ˆ ¨ ¨ ¨ ˆ Akq “ n1 ¨ n2 ¨ ¨ ¨nk. Ejemplo 1.8 Si una mujer tiene 3 sombreros, 6 blusas, 8 faldas y 10 pares de zapatos, ¿de cuántas formas diferentes puede vestirse usando una prenda de cada tipo? Respuesta: 3 ˆ 6 ˆ 8 ˆ 10 “ 1440. ‚ Ejemplo 1.9 El producto cartesiano R ˆ R, que es el conjunto de todas las parejas de números reales px, yq, se le denota usualmente por R2. Análo- gamente se definen los conjuntos R3, R4, . . ., Rn. ‚ Concluimos aqúı nuestra rápida y breve revisión de la teoŕıa elemental de conjuntos. Recordemos que estamos interesados en calcular probabilidades de los diferentes eventos, es decir, de subconjuntos del espacio muestral que se obtienen de los diversos experimentos aleatorios. En las siguientes secciones estudiaremos algunas formas de definir matemáticamente la pro- babilidad de un evento. Ejercicios 6. Use las propiedades básicas de las operaciones entre conjuntos para de- mostrar rigurosamente las siguientes igualdades. En cada caso dibuje un diagrama de Venn para ilustrar cada identidad. 1.3. Operaciones con conjuntos 15 a) A “ pA X Bq Y pA X Bcq. b) Ac ´ Bc “ B ´ A. c) A X Bc “ A ´ pA X Bq. d) A Y B “ A Y pB X Acq. e) pA ´ Bq ´ C “ A ´ pB ´ Cq. f ) A ´ pB X Cq “ pA ´ Bq Y pA ´ Cq. 7. Demuestre o proporcione un contraejemplo para las siguientes propo- siciones. En cada caso dibuje un diagrama de Venn para ilustrar cada situación. a) A X B Ď A Ď A Y B. b) Si A X B “ H entonces A Ď Bc. c) Si A Ď B entonces Bc Ď Ac. d) Si A X B “ H entonces A Y Bc “ Bc. e) Si A Ď B entonces A Y pB ´ Aq “ B. f ) pAc X Bq Y pA X Bcq “ pA X Bqc. 8. Diferencia simétrica. La diferencia simétrica entre los conjuntos A y B se puede también definir como sigue: A△B :“ pA ´ Bq Y pB ´ Aq. Demuestre o proporcione un contraejemplo para las siguientes identi- dades: a) A△B “ pA Y Bq ´ pA X Bq. b) A△B “ B△A. c) A△H “ A. d) A△Ω “ Ac. e) A△A “ H. f ) A△Ac “ Ω. g) A△B “ Ac△Bc. h) pA△Bqc “ Ac△Bc. 16 1. Probabilidad elemental i) pA△Bq△C “ A△pB△Cq. j ) A X pB△Cq “ pA X Bq△pA X Cq. k) A Y pB△Cq “ pA Y Bq△pA Y Cq. 9. Sean A, B y C tres eventos de un experimento aleatorio. Exprese las siguientes oraciones en términos de los conjuntos A, B y C: a) Ocurre A o B pero no C. b) Ninguno de estos tres eventos ocurre. c) Sólo uno de ellos ocurre. d) Exactamente dos de ellos ocurren. e) Por lo menos uno de ellos ocurre. f ) A lo sumo dos de ellos ocurren. 10. En una población humana en donde el número de mujeres duplica el número de hombres el 42% de los hombres son mayores de 50 años y el 38% de las mujeres son mayores de 50 años. ¿Qué porcentaje total de la población es mayor a 50 años? 11. Función indicadora. La función indicadora de un evento cualquiera A se denota por 1A : Ω Ñ R y toma el valor uno dentro del evento A y cero fuera de él. Demuestre que: a) 1Ωpωq “ 1. b) 1Hpωq “ 0. c) 1AYBpωq “ 1Apωq ` 1Bpωq ´ 1AXBpωq. d) 1Şn i“1 Ai pωq “ n ź i“1 1Aipωq. e) Si A1, . . . , An son eventos ajenos dos a dos, entonces 1Ťn i“1 Ai pωq “ n ÿ i“1 1Aipωq. 12. Señales. Se transmiten cuatro señales consecutivas en un canal de comunicación. Debido al ruido que se presenta en el canal, cada señal 1.3. Operaciones con conjuntos 17 se recibe bien o con distorsión. Defina el eventoDi como aquél que indica que la i-ésima señal está distorsionada. Exprese los siguientes sucesos en términos de los eventos Di: a) Sólo una señal está distorsionada. b) Sólo dos señales están distorsionadas. c) Sólo hay dos señales distorsionadas y son consecutivas. d) No hay dos señales consecutivas distorsionadas. e) Por lo menos hay dos señales consecutivas distorsionadas. 13. Considere el experimento aleatorio de escoger al azar dos números x y y del intervalo unitario p0, 1q. El espacio muestral Ω para este experi- mento es entonces el producto cartesiano p0, 1q ˆ p0, 1q. Represente en un plano cartesiano este espacio muestral e identifique los siguientes eventos: a) A “ tpx, yq P Ω : x ą 1{2, y ă 1{2u. b) B “ tpx, yq P Ω : x ă 2y ó y ă 1{2u. c) C “ tpx, yq P Ω : x2 ` y2 ă 1u ´ tpx, yq P Ω : y ă xu. d) D “ tpx, yq P Ω : |x ´ y| ă 1{4 ó |1 ´ x ´ y| ă 1{4u. 14. Suponga que un experimento aleatorio consiste en escoger una persona al azar dentro de una población dada. Defina los eventos: H “ “La persona escogida es hombre.” E “ “La persona escogida cuenta con un empleo.” C “ “La persona escogida es casada.” Exprese en palabras el tipo de personas, segun las caracteŕısticas an- teriores, determinadas por los siguientes eventos: a) H X E. b) Hc X Ec. c) H Y E. d) H ´ E. e) H X E X C. f ) pH X Cq ´ E. g) pH ´ Eq X Cc. h) Cc ´ Ec. 18 1. Probabilidad elemental 15. Un número entero es seleccionado al azar. Defina los eventos: A “ “El número escogido es par.” B “ “El número escogido termina en 5.” C “ “El número escogido termina en 0.” Describa con palabras los siguientes eventos: a) A X C. b) B Y C. c) A X B. d) A ´ B. 16. Circuitos. Considere el diagrama de la Figura 1.5 el cual representa un circuito eléctrico. Los componentes A, B1, B2, B3 y C pueden o no pueden funcionar. Denotemos por la misma letra el evento de que el correspondiente componente funcione y por su complemento el hecho de que no funcione. Sea F el evento de que el circuito completo funcione. Escriba F y F c en términos de los eventos A, B1, B2, B3 y C. B2B1 B3 CA Figura 1.5 17. Sean A y B dos subconjuntos de R2 definidos como sigue: A “ t px, yq : x2 ` y2 ď 1 u, B “ t px, yq : |x| ` |y| ď 1 u. Muestre gráficamente los conjuntos: 1.4. Probabilidad clásica 19 a) A. b) B. c) A Y B d) A X B. e) A ´ B. f ) B ´ A. g) Ac X Bc. h) Ac Y Bc. i) A△B. 1.4. Probabilidad clásica La probabilidad de un evento A es un número real en el intervalo r0, 1s que se denota por P pAq y representa una medida de la frecuencia con la que se observa la ocurrencia de dicho evento cuando se efectúa el experimento aleatorio en cuestión. Existen definiciones más espećıficas de la probabilidad, algunas de las cuales estudiaremos en las siguientes secciones. Empezaremos estudiando la aśı llamada probabilidad clásica. Definición 1.2 Sea A un subconjunto de un espacio muestral Ω de cardinalidad finita. Se define la probabilidad clásica del evento A como el cociente: P pAq “ #A #Ω , en donde el śımbolo #A denota la cardinalidad o número de elementos del conjunto A. Claramente esta definición es sólo válida para espacios muestrales finitos, pues forzosamente necesitamos suponer que el número de elementos en Ω es finito. Además, el espacio Ω debe ser equiprobable, pues para calcular la probabilidad de un evento A, únicamente necesitamos contar el número de elementos de A y dividir entre el número de elementos del conjunto total Ω, sin importar exactamente cuáles elementos particulares sean. Por lo tanto, esta definición de probabilidad presupone que todos los elementos de Ω son igualmente probables o tienen el mismo peso. Este es el caso, por ejemplo, del lanzamiento de un dado equilibrado. Para este experimento el espacio muestral es el conjunto Ω “ t1, 2, 3, 4, 5, 6u, y si deseamos calcular 20 1. Probabilidad elemental la probabilidad (clásica) del evento A correspondiente a obtener un número par, es decir, la probabilidad de A “ t2, 4, 6u, entonces P pAq “ #t2, 4, 6u #t1, 2, 3, 4, 5, 6u “ 3 6 “ 1 2 . Es inmediato verificar que esta forma de calcular probabilidades cumple, entre otras, las siguientes propiedades: a) P pΩq “ 1. b) P pAq ě 0, para cualquier evento A. c) P pA Y Bq “ P pAq ` P pBq, cuando A y B son ajenos. A esta forma de definir la probabilidad también se le conoce con el nombre de probabilidad de Laplace, en honor del astrónomo y matemático francés Pierre-Simon Laplace, quien estableció de una manera sistemática y rigu- rosa los principios y propiedades de esta forma de calcular probabilidades. Más adelante retomaremos esta definición de probabilidad cuando revisemos algunas técnicas de conteo. Ejercicios 18. Sean A y B dos eventos cualesquiera de un experimento aleatorio con espacio muestral finito y equiprobable. Demuestre que la definición de probabilidad clásica satisface las siguientes propiedades: a) P pHq “ 0. b) P pΩq “ 1. c) P pAq ě 0, para cualquier evento A. d) P pAcq “ 1 ´ P pAq. e) Si A Ď B entonces P pAq ď P pBq. f ) P pA Y Bq “ P pAq ` P pBq, cuando A y B son ajenos. g) P pA Y Bq “ P pAq ` P pBq ´ P pA X Bq. 1.4. Probabilidad clásica 21 19. El juego de una feria consiste en pedirle a un jugador que arroje al azar 4 monedas equilibradas, una a la vez. Suponga que las monedas son de una unidad monetaria y están marcadas con “cara” y “cruz”. Si algún lanzamiento cae “cara”, la moneda es recogida por el jugador y se le entrega una moneda adicional de la misma denominación como premio. Por otro lado, el jugador pierde cualquier moneda que caiga “cruz”. Determine el número posible de monedas que el jugador puede tener al final del juego y las probabilidades de cada uno de estos resultados. 20. Un experimento aleatorio consiste en lanzar a un mismo tiempo dos dados equilibrados e indistinguibles, es decir, idéntico uno del otro. Determine si a este experimento aleatorio se le puede asignar un es- pacio muestral finito y equiprobable. 21. Puntos. Suponga que un experimento aleatorio tiene como espacio muestral el conjunto de pares de números px, yq tales que tanto x como y toman valores en el conjunto t1, . . . , nu y que se considera que cualquiera de estos puntos en el plano cartesiano ocurre con idéntica probabilidad. Calcule la probabilidad de que al efectuar una vez el experimento aleatorio se obtenga un punto px, yq: a) en la diagonal, es decir, x “ y. b) en la orilla, es decir x “ 1, o x “ n, o y “ 1, o y “ n. c) tal que x ď y. d) tal que |x ´ y| ď 1. 22. Una moneda equilibrada y marcada con “cara” y “cruz” se lanza 4 veces consecutivas. Calcule la probabilidad de que: a) las dos caras caigan el mismo número de veces. b) el número de veces que cae “cara” sea estrictamente mayor al número de veces que cae “cruz”. 23. Un experimento aleatorio consiste en lanzar una moneda equilibrada tres veces consecutivas. Escriba expĺıcitamente a todos los elementos de un espacio muestral para este experimento y encuentre las proba- bilidades de que cada uno de estos resultados. 22 1. Probabilidad elemental 1.5. Probabilidad geométrica Esta es una extensión de la definición de probabilidad clásica en donde ahora la probabilidad de un evento A se calcula ya no a través de su cardinalidad sino mediante la determinación de su área, volumen o alguna caracteŕıstica geométrica equivalente según el problema que se trate. Para el caso de áreas la definición es la siguiente. Definición 1.3 Si un experimento aleatorio tiene como espacio mues- tral Ω Ă R2 cuya área está bien definida y es finita, entonces se define la probabilidad geométrica de un evento A Ď Ω como P pAq “ Área de A Área de Ω , cuando el concepto de área del subconjunto A está bien definido. Para poder aplicar la fórmula anterior es necesario suponer que el espacio muestral es equiprobable en el sentido de que la probabilidad de observar la ocurrencia de un evento A depende únicamente de su área y no del con- junto mismo. Estadefinición puede enunciarse también para el caso cuando Ω es un subconjunto de R y en tal caso no se habla de área sino de longi- tud. O bien cuando Ω Ă R3 y en ese caso se habla de volumen, etcétera. Ilustraremos la situación mediante algunos ejemplos. Ejemplo 1.10 (El problema del juego de una feria) El juego de una feria consiste en lanzar monedas de radio r sobre un tablero cuadriculado como el que se muestra en la Figura 1.6, en donde el lado de cada cuadrado mide a unidades. Un jugador se hace acreedor a un premio si la moneda lanzada no toca ninguna de las ĺıneas. ¿De qué tamaño deben ser a y r para que la probabilidad de ganar en este juego sea menor a 1{4? Solución. Primero debemos observar que es suficiente considerar lo que 1.5. Probabilidad geométrica 23 r a a Figura 1.6 sucede únicamente en el cuadrado donde cae el centro de la moneda. No es dif́ıcil darse cuenta que la moneda no toca ninguna ĺınea si su centro cae dentro del cuadrado interior que se muestra en la Figura 1.7. a a r r r r Figura 1.7 Por lo tanto, si A denota el evento de ganar con un lanzamiento en este juego, entonces la probabilidad de A es el cociente entre el área favorable y el área total, es decir, P pAq “ pa ´ 2rq 2 a2 “ p1 ´ 2r a q2. Si deseamos que esta probabilidad sea menor a 1{4, entonces de aqúı puede uno encontrar que a y r deben cumplir la relación a ă 4r. Cuando a “ 4r la probabilidad de ganar es exactamente 1{4. ‚ 24 1. Probabilidad elemental Ejemplo 1.11 (El problema de los dos amigos) Dos amigos deciden encontrarse en cierto lugar pero olvidan la hora exacta de la cita, única- mente recuerdan que la hora era entre las 12:00 y las 13:00 horas. Cada uno de ellos decide llegar al azar en ese lapso y esperar sólamente 10 minutos. ¿Cuál es la probabilidad de que los amigos se encuentren? Solución. Sean x y y el tiempo medido en minutos en los que llegan los dos amigos. El espacio muestral del experimento que consta de observar la hora de llegada de los dos amigos consiste de las parejas px, yq tal que cada entrada de este vector es un instante entre las 12:00 y las 13:00 horas. Gráficamente el espacio muestral se puede representar como el cuadrado que se muestra en la Figura 1.8. y x 13:00 13:00 12:00 Figura 1.8 Los amigos se encuentran si x y y son tales que |x ´ y| ď 10 y esta región corresponde a la franja que se muestra en la Figura 1.8 y cuya área en minutos es p60q2 ´ p50q2. Si A denota el evento de interés, entonces tenemos que P pAq “ p60q 2 ´ p50q2 p60q2 “ 36 ´ 25 36 “ 11 36 . ‚ En la sección de ejercicios el lector encontrará algunos otros problemas de aplicación de la probabilidad geométrica. Para encontrar la solución a estos 1.5. Probabilidad geométrica 25 problemas y como sugerencia se recomienda al lector primeramente deter- minar con claridad el experimento aleatorio en cuestión y establecer con precisión un espacio muestral adecuado a la pregunta que se desea contes- tar. Observemos finalmente que la probabilidad geométrica también cumple, entre otras, con las siguientes propiedades que hemos mencionado antes para la probabilidad clásica: a) P pΩq “ 1. b) P pAq ě 0 para cualquier evento A. c) P pA Y Bq “ P pAq ` P pBq cuando A y B son ajenos. Ejercicios 24. Suponga que se tiene un experimento aleatorio con espacio muestral Ω Ď R2 cuya área está bien definida y es finita. Sean A y B dos eventos de este experimento cuya área está bien definida. Demuestre que la definición de la probabilidad geométrica satisface las siguientes propiedades: a) P pHq “ 0. b) P pΩq “ 1. c) P pAq ě 0, para cualquier evento A. d) P pAcq “ 1 ´ P pAq. e) Si A Ď B entonces P pAq ď P pBq. f ) P pA Y Bq “ P pAq ` P pBq, cuando A y B son ajenos. g) P pA Y Bq “ P pAq ` P pBq ´ P pA X Bq. 25. Se escogen dos números x y y al azar dentro del intervalo unitario r0, 1s. ¿Cuál es la probabilidad de que la suma de estos números sea mayor a uno y que al mismo tiempo la suma de sus cuadrados sea menor a uno? 26 1. Probabilidad elemental 26. Se escogen dos números al azar dentro del intervalo unitario r0, 1s. ¿Cuál es la probabilidad de que el producto de estos números sea menor a 1{2? 27. Se escogen dos números x y y al azar dentro del intervalo unitario r0, 1s. ¿Cuál es la probabilidad de que la distancia: a) de x a y sea menor a 1{2? b) de x a y sea mayor a 1{4? c) de x a cero sea a lo sumo la distancia de y a uno? 28. Se escoge un número a al azar dentro del intervalo p´1, 1q. ¿Cuál es la probabilidad de que la ecuación cuadrática ax2 ` x ` 1 “ 0 tenga dos ráıces reales? 29. Se escogen dos números b y c al azar dentro del intervalo unitario r0, 1s. ¿Cuál es la probabilidad de que la ecuación cuadrática x2 ` bx` c “ 0 tenga ráıces complejas? 30. El problema de la aguja de Buffón. Considere un conjunto infinito de ĺıneas horizontales paralelas sobre una superficie plana como se muestra en la Figura 1.9. La distancia entre una ĺınea y otra es L. Se deja caer una aguja de longitud ℓ sobre la superficie. Suponga ℓ ď L. ¿Cuál es la probabilidad de que la aguja cruce alguna ĺınea? L ℓ ag uj a Figura 1.9 Como una simplificación suponga el caso ℓ “ L y sea A el evento que ocurre cuando la aguja toca alguna de las ĺıneas. Si se efectúa 1.5. Probabilidad geométrica 27 este experimento n veces y nA denota el número de ocurrencias del evento A, entonces el cociente nA{n es cercano a P pAq. Aśı, tenemos la aproximación 2 π « nA n , de donde puede obtenerse una aproximación para π, a partir del expe- rimento simple de lanzar agujas en una superficie de ĺıneas paralelas: π « 2n nA . Suponga ahora ℓ ě L. Demuestre que la probabilidad de que la aguja cruce alguna ĺınea es p “ 1 ´ 2 π arc senpL ℓ q ` 2ℓ πL p1 ´ cosparc senpL ℓ qqq. Usando la identidad cosparc senxq “ ? 1 ´ x2, ´1 ď x ď 1, la respues- ta anterior se puede escribir también como sigue: 2ℓ πL ´ 2 πL p a ℓ2 ´ L2 ` L arc senpL ℓ qq ` 1. 31. Se escogen al azar y de manera independiente tres números a, b y c dentro del intervalo unitario r0, 1s. ¿Cuál es la probabilidad de que la suma de estos números sea menor a uno? 32. El problema de la varilla de metal. Una varilla de metal de lon- gitud ℓ se rompe en dos puntos distintos escogidos al azar. ¿Cuál es la probabilidad de que los tres segmentos aśı obtenidos formen un triángulo? Véase la Figura 1.10 33. Un pasajero llega en autobús a la estación de trenes. La hora de llegada del autobús es aleatoria entre las 9:00 y 10:00 hrs. Por otro lado, el tren que debe tomar el pasajero parte de la estación también al azar entre las 9:00 y 10:00 hrs. El pasajero podrá subirse al tren si el autobús llega por lo menos cinco minutos antes de que el tren parta. ¿Cuál es la probabilidad de que el pasajero aborde el tren? 28 1. Probabilidad elemental b bˆ ˆ ℓ Figura 1.10 34. Considere nuevamente el problema de la feria del Ejemplo 1.10 en la página 22. Suponga ahora que el jugador gana si la moneda toca a lo sumo un ĺınea. ¿Cuál es la probabilidad de ganar? 35. Dos personas tienen la misma probabilidad de llegar al lugar de su cita en cualquier instante dentro del intervalo de tiempo r0, T s y llegan de manera independiente una de otra. Encuentre la probabilidad de que el tiempo que una persona tenga que esperar a la otra sea a lo sumo t ą 0. 36. Suponga que se escoge un punto al azar dentro de un segmento de recta de longitud L de tal forma que la probabilidad de que el punto caiga en un subsegmento es la misma de que caiga en cualquier otro subsegmento de la misma longitud. Calcule la probabilidad de que la distancia del punto al centro del segmento sea menor a ℓ. 37. Suponga que se escogen al azar y de manera independiente dos pun- tos dentro de un segmento de recta de longitud L de tal forma que la probabilidad de que cualquiera de los puntos caiga en un subseg- mento es la misma de que caiga en cualquier otro subsegmento de la misma longitud. Calcule la probabilidadde que por lo menos uno de los puntos caiga en la primera mitad del intervalo. 38. Se escogen dos números al azar de manera independiente uno del otro dentro del intervalo r0, Ls. Encuentre la probabilidad de que el pro- medio aritmético de estos dos números se encuentre dentro del subin- tervalo ra, bs Ď r0, Ls. 39. Se escogen al azar y de manera independiente tres números reales dentro del intervalo r0, Ls. Calcule la probabilidad de que el promedio 1.6. Probabilidad frecuentista 29 aritmético de estos números sea menor a L{3. 40. Triángulos 1. Se escogen dos números x y y al azar de manera inde- pendiente uno del otro dentro del intervalo r0, ℓs. Calcule la probabi- lidad de que las longitudes x, y y ℓ formen un triángulo. 41. Triángulos 2. Se escogen tres números x, y y z al azar de manera independiente uno del otro dentro del intervalo r0, ℓs. Calcule la pro- babilidad de que las longitudes x, y y z formen un triángulo. 42. Rectángulos. Suponga que x y y se escogen al azar dentro del inter- valo unitario r0, 1s y constituyen los lados de un rectángulo. Calcule la probabilidad de que el rectángulo: a) tenga área mayor a 1{2. b) tenga peŕımetro menor a 1. 43. Se escoge un punto px, y, zq al azar dentro del cubo r´1, 1s ˆ r´1, 1s ˆ r´1, 1s, de manera uniforme, es decir, con la misma probabilidad para dos regiones con el mismo volumen. Calcule la probabilidad del evento A “ tpx, y, zq P Ω : |x| ` |y| ` |z| ď 1u. 1.6. Probabilidad frecuentista Suponga que se realizan n repeticiones de un cierto experimento aleatorio y que se registra el número de veces que ocurre un determinado evento A. Esta información puede ser usada de la siguiente forma para definir la probabilidad de A. 30 1. Probabilidad elemental Definición 1.4 Sea nA el número de ocurrencias de un evento A en n realizaciones de un experimento aleatorio. La probabilidad frecuentista del evento A se define como el ĺımite P pAq “ ĺım nÑ8 nA n . En este caso, debemos hacer notar que no es humanamente posible llevar a cabo una infinidad de veces el experimento aleatorio y tampoco podemos garantizar, por ahora, la existencia de tal ĺımite. Por lo tanto, mediante la definición anterior no es posible encontrar de manera exacta la probabilidad de un evento cualquiera, aunque permite tener una aproximación emṕırica del valor de P pAq, es decir, P pAq « nA n . Las limitaciones mencionadas hacen que esta definición de probabilidad no sea enteramente formal, pero sin duda tiene la ventaja de que su forma de cálculo hace evidente la interpretación de la probabilidad como una medida de la frecuencia con la que ocurre un evento. Veamos un ejemplo concre- to. Consideremos nuevamente el experimento aleatorio de lanzar un dado equilibrado y registrar la ocurrencia del evento A definido como el conjunto t2, 4, 6u. Se ha llevado a cabo este experimento y después de lanzar el dado 20 veces se obtuvieron los siguientes resultados: Núm. Resultado nA{n 1 3 0/1 2 6 1/2 3 2 2/3 4 1 2/4 5 4 3/5 6 6 4/6 7 3 4/7 8 4 5/8 9 2 6/9 10 5 6/10 Núm. Resultado nA{n 11 2 7/11 12 5 7/12 13 1 7/13 14 6 8/14 15 3 8/15 16 1 8/16 17 5 8/17 18 5 8/18 19 2 9/19 20 6 10/20 1.6. Probabilidad frecuentista 31 2 4 6 8 10 12 14 16 18 20 nA{n n 1{2 b b b b b b b b b b b b b b b b b b b b Figura 1.11 En la gráfica de la Figura 1.11 se muestra el singular comportamiento del cociente nA{n a lo largo del tiempo, al principio se pueden presentar algunas oscilaciones pero eventualmente el cociente parece estabilizarse en un cierto valor. Realizando un mayor número de observaciones del experimento, no es dif́ıcil verificar que el cociente nA{n se estabiliza en 1{2 cuando el dado está equilibrado y el número de ensayos n es grande. Se invita al lector intrigado a efectuar un experimento similar y corroborar esta interesante regularidad estad́ıstica con éste o cualquier otro experimento aleatorio de su interés. Más adelante formalizaremos este resultado mediante la aśı lla- mada ley de los grandes números, que garantiza, en particular, que nA{n efectivamente converge a la probabilidad del evento A. Esto se verifica en el Ejemplo 5.1 en la página 321. Simulación 1.1 Arroje cien veces una moneda y registre los resultados en una lista. Calcule y grafique los cocientes nA{n cuando el evento A corres- ponde a obtener alguna de las caras de la moneda. ¿Converge el cociente nA{n a 1{2? Para agilizar el experimento puede usted dividir los cien lan- zamientos en varios grupos de personas y después juntar los resultados. Alternativamente, investique la forma de simular este experimento en una computadora y calcule nA{n para distintos valores de n. Véase el enunciado del Ejercicio 45. ‚ 32 1. Probabilidad elemental Para concluir esta pequeña sección mencionaremos que es fácil comprobar que la probabilidad frecuentista también cumple las siguientes propiedades que ya hemos mencionado antes tanto para la probabilidad clásica como para la probabilidad geométrica: a) P pΩq “ 1. b) P pAq ě 0, para cualquier evento A. c) P pA Y Bq “ P pAq ` P pBq, cuando A y B son ajenos. Ejercicios 44. Sean A y B dos eventos de un experimento aleatorio. Demuestre que la definición de la probabilidad frecuentista satisface las siguientes propiedades: a) P pHq “ 0. b) P pΩq “ 1. c) P pAq ě 0, para cualquier evento A. d) P pAcq “ 1 ´ P pAq. e) Si A Ď B entonces P pAq ď P pBq. f ) P pA Y Bq “ P pAq ` P pBq, cuando A y B son ajenos. g) P pA Y Bq “ P pAq ` P pBq ´ P pA X Bq. 45. Moneda. El lanzamiento de una moneda puede simularse en R usan- do el comando sample como se muestra en el recuadro de abajo. En el ejemplo mostrado aparece la instrucción sample(0:1, 20, replace=TRUE) que produce 20 selecciones al azar, una selección a la vez, de números dentro del conjunto o vector t0, 1u, en donde, naturalmente, se permi- te seleccionar un mismo número varias veces. Los valores 0 y 1 pueden 1.7. Probabilidad subjetiva 33 asociarse, a conveniencia, a las dos caras de la moneda, y las probabi- lidades de selección son las mismas para cada uno de los números del conjunto indicado, en este caso es de 1{2 para cada número. Realice 100 simulaciones del lanzamiento de una moneda equilibrada y com- pruebe experimentalmente que el número de veces que aparece una de las caras entre el total de lanzamientos se aproxima a 1{2 conforme el número de lanzamientos crece. # Simulación de 20 lanzamientos de una moneda equilibrada > sample(0:1, 20, replace=TRUE) r1s 0 1 0 1 0 0 1 1 1 0 1 0 0 0 0 1 1 1 0 1 46. Dado. El lanzamiento de un dado puede simularse en R usando el comando que aparece abajo. Realice 100 simulaciones del lanzamiento de un dado equilibrado y compruebe experimentalmente que el número de veces que aparece una de las caras entre el total de lanzamientos se aproxima a 1{6 conforme el número de lanzamientos crece. # Simulación de 20 lanzamientos de un dado equilibrado > sample(1:6, 20, replace=TRUE) r1s 1 5 3 4 4 6 3 4 3 3 2 4 4 5 3 1 6 5 6 6 1.7. Probabilidad subjetiva En este caso la probabilidad de un evento depende del observador, es decir, depende de lo que el observador conoce del fenómeno en estudio. Puede parecer un tanto informal y poco seria esta definición de la probabilidad de un evento, sin embargo en muchas situaciones es necesario recurrir a un experto para tener por lo menos una idea vaga de cómo se comporta el fenómeno de nuestro interés y saber si la probabilidad de un evento es alta o baja. Por ejemplo, ¿cuál es la probabilidad de que un cierto equipo de fútbol gane en su próximo partido? Ciertas circunstancias internas del equipo, las condiciones del equipo rival o cualquier otra condición externa, son elementos que sólo algunas personas conocen y que podŕıan darnos 34 1. Probabilidad elemental una idea más exacta de esta probabilidad. Esta forma subjetiva de asignar probabilidades a los distintos eventos debe, sin embargo, ser consistente con un conjunto de condiciones queestudiaremos a continuación. 1.8. Probabilidad axiomática En la definición axiomática de la probabilidad no se establece la forma expĺıcita de calcular las probabilidades sino únicamente se proponen las reglas que el cálculo de probabilidades debe satisfacer. Los siguientes tres postulados o axiomas fueron establecidos en 1933 por el matemático ruso Andrey Nikolaevich Kolmogorov. Axiomas de la probabilidad 1. P pAq ě 0. 2. P pΩq “ 1. 3. P p 8 ď k“1 Akq “ 8 ÿ k“1 P pAkq cuando A1, A2, . . . son ajenos dos a dos. Recordemos que un axioma o postulado es una proposición que se acepta como válida y sobre la cual se funda una teoŕıa, en este caso la teoŕıa de la probabilidad. En particular, estos postulados han sido tomados directa- mente del análisis cuidadoso y reflexivo de las definiciones de probabilidad mencionadas anteriormente. Y no es dif́ıcil verificar que las definiciones an- teriores de probabilidad satisfacen estos tres axiomas. Por ejemplo, conside- rando nuevamente la definición de probabilidad frecuentista, se debe realizar una sucesión de n ensayos de un experimento aleatorio y calcular el cociente nA{n para un evento A cualquiera. Se observa claramente que el cociente nA{n es no negativo, esto es el primer axioma. Si A es el evento total Ω, entonces nΩ “ n y por lo tanto nΩ{n “ 1, esto es el segundo axioma. Fi- nalmente, si A y B son dos eventos ajenos, se tiene que nAYB “ nA ` nB y por lo tanto nAYB n “ nA n ` nB n , 1.8. Probabilidad axiomática 35 de donde surge el tercer axioma para una colección numerable de eventos ajenos dos a dos, suponiendo la existencia de los ĺımites correspondientes. De manera semejante puede verificarse el cumplimiento de estos axiomas para las definiciones clásica y geométrica de la probabilidad que hemos estudiado en las secciones anteriores. Tenemos a continuación la definición axiomática de la probabilidad. Definición 1.5 A cualquier función P definida sobre una colección de eventos que satisfaga los tres axiomas de Kolmogorov se le llama medida de probabilidad, o simplemente probabilidad. En esta definición no hemos sido muy precisos en establecer el dominio de la función P , sólo hemos dicho que tal dominio es una colección de eventos. En la siguiente sección especificaremos con más detalle a esta colección, por ahora nos interesa estudiar las propiedades generales que la función P pueda tener. Propiedades de la probabilidad Tomando como base los axiomas de Kolmogorov y usando la teoŕıa elemental de conjuntos, demostraremos que toda medida de probabilidad cumple con una serie de propiedades generales e interesantes. Proposición 1.1 P pHq “ 0. Demostración. Tomando A1 “ A2 “ ¨ ¨ ¨ “ H en el tercer axioma tenemos que P pHq “ P pHq ` P pHq ` ¨ ¨ ¨ . La única solución de esta ecuación es P pHq “ 0. ‚ 36 1. Probabilidad elemental Proposición 1.2 Sea A1, A2, . . . , An una colección finita de eventos ajenos dos a dos. Entonces P p n ď k“1 Akq “ n ÿ k“1 P pAkq. Demostración. Definiendo An`1 “ An`2 “ ¨ ¨ ¨ “ H, se verifica que esta sucesión infinita sigue siendo ajena dos a dos y por lo tanto, usando el tercer axioma, tenemos que P p n ď k“1 Akq “ P p 8 ď k“1 Akq “ 8 ÿ k“1 P pAkq “ n ÿ k“1 P pAkq. ‚ De esta manera, el tercer axioma incluye tanto el caso de sucesiones infinitas de eventos ajenos dos a dos, como el caso de sucesiones finitas. En particular, cuando sólo tenemos dos eventos A y B con A X B “ H, se cumple la identidad P pA Y Bq “ P pAq ` P pBq. Proposición 1.3 Para cualquier evento A, P pAcq “ 1 ´ P pAq. Demostración. De la teoŕıa elemental de conjuntos tenemos que Ω “ A Y Ac, en donde A y Ac son eventos ajenos. Aplicando el tercer axioma 1.8. Probabilidad axiomática 37 tenemos que 1 “ P pΩq “ P pA Y Acq “ P pAq ` P pAcq. ‚ La proposición recién demostrada establece que los eventos A y Ac tienen probabilidad complementaria, es decir, la suma de las probabilidades de es- tos eventos es siempre uno. Esta sencilla propiedad es bastante útil pues en ocasiones es más fácil calcular la probabilidad del complemento de un evento que del evento mismo. Más adelante tendremos múltiples ocasiones para aplicar este resultado. Las siguientes dos proposiciones suponen la situación A Ď B, la cual se muestra gráficamente en la Figura 1.12. En particular, el siguiente resultado establece que la probabilidad es una función monótona no decreciente. Ω A B Figura 1.12 Proposición 1.4 Si A Ď B, entonces P pAq ď P pBq. Demostración. Primeramente escribimos B “ A Y pB ´ Aq. Como A y B ´A son eventos ajenos, por el tercer axioma, P pBq “ P pAq `P pB ´Aq. 38 1. Probabilidad elemental Usando el primer axioma concluimos que P pBq ´ P pAq “ P pB ´ Aq ě 0. De aqúı obtenemos P pBq ´ P pAq ě 0. ‚ Proposición 1.5 Si A Ď B, entonces P pB ´ Aq “ P pBq ´ P pAq. Demostración. Como B “ A Y pB ´ Aq, siendo esta unión ajena, por el tercer axioma tenemos que P pBq “ P pAq ` P pB ´ Aq. ‚ Por ejemplo, suponga que A y B son eventos tales que A Ď B, P pAcq “ 0.9 y P pBcq “ 0.6 . Deseamos calcular P pB ´Aq. En esta situación es válida la fórmula P pB ´ Aq “ P pBq ´ P pAq, en donde, P pAq “ 0.1 y P pBq “ 0.4 . Por lo tanto, P pB ´ Aq “ 0.4 ´ 0.1 “ 0.3 . Observe que en este ejemplo sencillo no se especifica el experimento aleatorio en cuestión ni tampoco se definen expĺıcitamente a los eventos A y B. El tratamiento es completamente anaĺıtico y los resultados son válidos para cualesquiera eventos A y B con las caracteŕısticas señaladas. Proposición 1.6 Para cualquier evento A, 0 ď P pAq ď 1. Demostración. Como A Ď Ω, se tiene que P pAq ď P pΩq “ 1. La primera desigualdad, 0 ď P pAq, es simplemente el primer axioma. ‚ En palabras, la proposición anterior establece que la medida de probabilidad es una función que toma valores únicamente en el intervalo r0, 1s, y ello ha sido consecuencia de los axiomas establecidos. El siguiente resultado propor- ciona una fórmula general para la probabilidad de la unión de cualesquiera dos eventos, no necesariamente ajenos. 1.8. Probabilidad axiomática 39 Proposición 1.7 Para cualesquiera eventos A y B, P pA Y Bq “ P pAq ` P pBq ´ P pA X Bq. Demostración. Primeramente observamos que para cualesquiera eventos A y B se cumple la igualdad A ´ B “ A ´ pA X Bq, en donde A X B Ď A, de modo que P pA ´ pA X Bqq “ P pAq ´ P pA X Bq. Entonces escribimos a A Y B como la unión disjunta de los siguientes tres eventos: A Y B “ pA ´ Bq Y pA X Bq Y pB ´ Aq “ pA ´ pA X Bqq Y pA X Bq Y pB ´ pA X Bqq. Ahora aplicamos la probabilidad. Por el tercer axioma, P pA Y Bq “ P pA ´ pA X Bqq ` P pA X Bq ` P pB ´ pA X Bqq “ P pAq ´ P pA X Bq ` P pA X Bq ` P pBq ´ P pA X Bq “ P pAq ` P pBq ´ P pA X Bq. ‚ En la Figura 1.13 (a) el lector puede comprobar la validez de la fórmula recién demostrada identificando las tres regiones ajenas de las que consta el evento AYB. El término P pAq abarca las primeras dos regiones de izquierda a derecha, P pBq abarca la segunda y tercera región. Observe entonces que la región central ha sido contada dos veces de modo que el término ´P pAXBq da cuenta de ello. De esta forma las tres regiones son contadas una sola vez y el resultado es la probabilidad del evento A Y B. Ejemplo 1.12 Sean A y B eventos ajenos tales que P pBq “ 0.3 y P pA X Bcq “ 0.2. Encuentre P pA Y Bq. Solución. Usaremos la fórmula P pA Y Bq “ P pAq ` P pBq ´ P pA X Bq, en donde conocemos a P pBq, P pA X Bq es cero pues por hipótesis los eventos son ajenos, y P pAq “ P pAXBcq “ 0.2 . ¿Por qué? Por lo tanto, P pAYBq “ 0.2 ` 0.3 “ 0.5 . ‚ 40 1. Probabilidad elemental Ω A B (a) A Y B Ω A B C (b) A Y B Y C Figura 1.13 Como hemos señalado, la fórmula anterior para la probabilidad de la unión de dos eventos es válida para cualesquiera que sean estos eventos, sin em- bargo, cuando los eventos son ajenos, es decir, cuando AXB “ H, entonces la fórmula demostrada se reduce al tercer axioma de la probabilidaden su versión para dos eventos ajenos, es decir, P pA Y Bq “ P pAq ` P pBq. El si- guiente resultado es una extensión natural de estas fórmulas e involucra tres eventos arbitrarios. La fórmula que a continuación se demuestra puede tam- bién verificarse usando el diagrama de Venn que aparece en la Fig 1.13 (b). Para ello se pueden seguir uno a uno los términos del lado derecho de la fórmula y comprobar que cada región es contada una sola vez, de modo que el resultado final es la probabilidad del evento A Y B Y C. La aśı llamada fórmula de inclusión-exclusión que aparece en el Ejercicio 55 en la página 44 es una generalización de este resultado. Proposición 1.8 Para cualesquiera eventos A, B y C, P pA Y B Y Cq “ P pAq ` P pBq ` P pCq ´ P pA X Bq ´ P pA X Cq ´ P pB X Cq ` P pA X B X Cq. Demostración. Agrupando adecuadamente y usando la fórmula para dos 1.8. Probabilidad axiomática 41 eventos, P pA Y B Y Cq “ P rpA Y Bq Y Cs “ P pA Y Bq ` P pCq ´ P ppA Y Bq X Cq “ P pAq ` P pBq ´ P pA X Bq ` P pCq ´ P ppA X Cq Y pB X Cqq “ P pAq ` P pBq ` P pCq ´ P pA X Bq ´ P pA X Cq ´ P pB X Cq ` P pA X B X Cq. ‚ Las propiedades anteriores son parte del estudio teórico y general de la pro- babilidad. En general, supondremos que la forma expĺıcita de calcular estos números es conocida, o que se puede suponer un cierto modelo para llevar a cabo estos cálculos, dependiendo del experimento aleatorio en cuestión. Por ejemplo, cuando el espacio muestral es finito y cada resultado puede suponerse igualmente probable, entonces usaremos la definición clásica de probabilidad. En otras situaciones asignaremos probabilidades de acuerdo a ciertos modelos que especificaremos más adelante. Se espera que, a partir de la lectura cuidadosa de las propiedades enunciadas y demostradas, el lector haya podido desarrollar cierta habilidad e intuición para escribir la demos- tración de alguna otra propiedad general de la probabilidad. Algunas de estas propiedades adicionales pueden encontrarse en la sección de ejercicios. Se debe también mencionar que las demostraciones no son únicas y que es muy probable que se puedan producir demostraciones diferentes a las que aqúı se han presentado. Ejercicios 47. Otras propiedades de la medida de probabilidad. Demuestre las siguientes afirmaciones: a) P pA X B X Cq ď P pA X Bq ď P pAq. b) P pAq ď P pA Y Bq ď P pA Y B Y Cq. c) P pA1 Y A2q ď P pA1q ` P pA2q. 42 1. Probabilidad elemental d) P p n ď i“1 Aiq ď n ÿ i“1 P pAiq. e) P p 8 ď i“1 Aiq ď 8 ÿ i“1 P pAiq. f ) P pA ´ Bq “ P pAq ´ P pA X Bq. g) P pA△Bq “ P pAq ` P pBq ´ 2P pA X Bq. h) Si A “ B entonces P pA△Bq “ 0. i) P pA1 X A2q ě 1 ´ P pAc1q ´ P pAc2q. j ) P pA1 X A2 X ¨ ¨ ¨ X Anq ě 1 ´ n ÿ i“1 P pAci q. k) Si A1 X A2 Ď A entonces P pAq ě P pA1q ` P pA2q ´ 1. l) Si n č i“1 Ai Ď A entonces P pAq ě n ÿ i“1 P pAiq ´ pn ´ 1q. m) Si A1 X A2 Ď A entonces P pAcq ď P pAc1q ` P pAc2q. n) Si n č i“1 Ai Ď A entonces P pAcq ď n ÿ i“1 P pAci q. ñ) Si A1, . . . , An tienen probabilidad cero entonces P p n ď i“1 Aiq “ 0. o) Si A1, . . . , An tienen probabilidad uno entonces P p n č i“1 Aiq “ 1. p) máxtP pA1q, P pA2qu ď P pA1 Y A2q ď mı́ntP pA1q ` P pA2q, 1u. q) máxtP pA1q, . . . , P pAnqu ď P p n ď i“1 Aiq ď mı́nt n ÿ i“1 P pAiq, 1u. 48. Demuestre o proporcione un contraejemplo: a) Si P pAq “ 0 entonces A “ H. b) Si P pAq “ 1 entonces A “ Ω. c) Si P pAq “ 0 entonces P pA X Bq “ 0. d) Si P pAq “ P pBq entonces A “ B. 1.8. Probabilidad axiomática 43 e) Si P pA△Bq “ 0 entonces A “ B. f ) Si P pAq “ P pBq entonces P pA△Bq “ 0. g) Si P pA△Bq “ 0 entonces P pAq “ P pBq. h) Si P pAq ď P pBq entonces A Ď B. i) Si P pAq “ P pBq “ p entonces P pA X Bq ď p2. j ) Si A X B “ H entonces P pAq ď P pBcq. k) Si P pAq “ P pBq “ 0 entonces P pA Y Bq “ 0. l) Si P pAq “ P pBq “ 1 entonces P pA X Bq “ 1. m) Si A X B Ď C entonces P pCcq ď P pAcq ` P pBcq. n) Si P pAq ą 1{2 y P pBq ą 1{2 entonces P pA X Bq ą 0. 49. Suponga que un cierto experimento aleatorio tiene como espacio mues- tral el conjunto finito Ω “ t1, . . . , nu. Determine si las siguientes fun- ciones son medidas de probabilidad: para cualquier A Ď Ω se define a) P pAq “ ÿ kPA 2k npn ` 1q . b) P pAq “ ÿ kPA 2k 2n`1 ´ 2, n ą 1. c) P pAq “ ź kPA kpn ` 1q k ` 1 . 50. Sean A y B eventos tales que P pA X Bcq “ 0.2 y P pBcq “ 0.5 . Encuentre P pA Y Bq. 51. Sean A y B eventos ajenos tales que P pAq “ 0.3 y P pBq “ 0.4 . Encuentre: a) P pA Y Bq. b) P pA X Bq. c) P pAc Y Bcq. d) P pAc X Bcq. e) P pAc X Bq. f ) P pA X Bcq. 52. Determine si es posible una asignación de probabilidades para los even- tos A y B tal que P pAq “ 1{2, P pBq “ 1{4 y P pA X Bq “ 1{3. 53. Sean A y B eventos tales que P pAq “ p, P pBq “ q y P pA X Bq “ r. Encuentre: 44 1. Probabilidad elemental a) P pA X Bcq. b) P pAc X Bq. c) P pAc X Bcq. d) P pA△Bq. 54. Sea A, B y C tres eventos tales que P pAq “ P pBq “ 1{3, P pCq “ 1{4, P pA X Bq “ 1{6 y P pB X Cq “ 0. Encuentre P pA X B X Cq. 55. Fórmula de inclusión-exclusión Use el método de inducción para demostrar que si A1, A2, . . . , An son eventos arbitrarios, entonces P p n ď i“1 Aiq “ n ÿ i“1 P pAiq ´ ÿ i‰j P pAi X Ajq ` ÿ i,j,k distintos P pAi X Aj X Akq ´ ¨ ¨ ¨ ` p´1qn´1P pA1 X ¨ ¨ ¨ X Anq. 56. Demuestre que la probabilidad de que exactamente uno de los eventos A o B ocurra es P pAq ` P pBq ´ 2P pA X Bq. 57. Sean A, B y C tres eventos. Demuestre que la probabilidad de que exactamente: a) uno de estos eventos ocurra es P pAq `P pBq `P pCq ´ 2P pAXBq ´ 2P pAXCq ´ 2P pB XCq ` 3P pA X B X Cq. b) dos de estos eventos ocurran es P pA X Bq ` P pA X Cq ` P pB X Cq ´ 3P pA X B X Cq. c) tres de estos eventos ocurran es P pA X B X Cq. ¿Cuál es el evento que se obtiene al unir estas tres condiciones? 58. Sean P y Q dos medidas de probabilidad definidas sobre la misma colección de eventos. Demuestre que para cada α P r0, 1s la función αP ` p1 ´ αqQ es también una medida de probabilidad. 59. La función conjuntista P asigna un número (probabilidad) a cada subconjunto A de R de la siguiente forma: P pAq “ ż A fpxq dx, 1.9. Sigmas álgebras 45 en donde fpxq “ # 2x si 0 ă x ă 1, 0 en otro caso, y para aquellos conjuntos A en donde la integral esté bien definida. Calcule la probabilidad de los siguientes conjuntos: a) A1 “ tx P R : 1{2 ă x ă 3{4u. b) A2 “ tx P R : x “ 1{4u. c) A3 “ tx P R : 0 ă x ă 10u. 1.9. Sigmas álgebras En esta breve sección vamos a definir un conjunto que agrupa a todos los eventos de un mismo experimento aleatorio y para los cuales se puede definir o calcular sus probabilidades. En este texto elemental no haremos énfasis en este tipo de colecciones de eventos, pero son fundamentales para un tratamiento serio de la teoŕıa matemática de la probabilidad. Definición 1.6 Una colección F de subconjuntos de un espacio mues- tral Ω es una álgebra si cumple las tres condiciones siguientes: 1. Ω P F . 2. Si A P F entonces Ac P F . 3. Si A1, A2, . . . , An P F entonces n ď k“1 Ak P F . Veamos con más detenimiento las condiciones que aparecen en la definición anterior. La primera condición establece que el espacio muestral en su totali- dad debe pertenecer a la colección F . Ciertamente el espacio muestral es un evento que siempre ocurre y como hemos visto su probabilidad está bien de- finida y es uno. La segunda condición asegura que si algún subconjunto A es 46 1. Probabilidad elemental de interés y por lo tanto se le considera un evento, entonces el complemento de tal conjunto también debe ser un evento. Nuevamente, por lo estudiado antes, la probabilidad del evento Ac está siempre dada por 1 ´ P pAq. Ω A B C Figura 1.14 Finalmente el tercer requisito en la definición establece que si se tiene una sucesión finita de eventos entonces la unión de todos ellos también debe ser un evento, el cual corresponde a la ocurrencia de por lo menos uno de los eventos de la sucesión. Cuando esta tercera condiciónes también válida para sucesiones infinitas de eventos, a la correspondiente colección de subconjuntos de Ω se le llama σ-álgebra, en donde el prefijo σ se refiere a la operación infinita involucrada. La definición es entonces muy parecida a la anterior: Definición 1.7 Una colección F de subconjuntos de un espacio mues- tral Ω es una σ-álgebra si cumple las tres condiciones siguientes: 1. Ω P F . 2. Si A P F entonces Ac P F . 3. Si A1, A2, . . . P F entonces 8 ď n“1 An P F . A los elementos de F se les llama eventos. Por lo tanto, a partir de ahora no llamaremos evento a cualquier subconjunto 1.9. Sigmas álgebras 47 del espacio muestral sino únicamente a aquellos elementos que pertenezcan a una σ-álgebra asociada al espacio muestral. En el siguiente ejemplo se ilustra el hecho de que pueden existir varias σ-álgebras asociadas a un mismo espacio muestral, aunque en nuestro caso sólo trabajaremos con una sola σ-álgebra de eventos a la vez, y con frecuencia no la especificaremos con detalle. En la Figura 1.15 se muestra la relación existente entre álgebra y σ-álgebra de un mismo espacio muestral: toda σ-álgebra es una álgebra. Al respecto véanse los Ejercicios 62 y 63 en la página 48. En la siguiente sección estudiaremos un ejemplo de σ-álgebra de cierta importancia: la σ-álgebra de Borel de subconjuntos de R. σ-álgebra Álgebra Figura 1.15 Ejemplo 1.13 Sea Ω el espacio muestral de un experimento aleatorio. No es dif́ıcil comprobar que las siguientes colecciones de subconjuntos de Ω son σ-álgebras: a) F “ tH,Ωu. b) F “ tA,Ac,H,Ωu, en donde A Ď Ω. c) F “ 2Ω. ‚ De esta forma en una σ-álgebra F se agrupa a todos los subconjuntos de Ω para los que estamos interesados en calcular su probabilidad y tal colección 48 1. Probabilidad elemental constituye el dominio sobre el cual se define una medida de probabilidad. Aśı, a cada experimento aleatorio particular se le puede asociar una pareja pΩ,F q compuesta por el espacio muestral y una σ-álgebra de eventos. Ejercicios 60. Sean A y B dos eventos. Demuestre que los siguientes conjuntos tam- bién son eventos, es decir, pertenecen a la misma σ-álgebra: a) H. b) A X B. c) A ´ B. d) A Y Bc. e) A△B. f ) A ´ pA X Bq. 61. Sean A y B dos subconjuntos arbitrarios del espacio muestral Ω de un experimento aleatorio. ¿Qué conjuntos es necesario añadir a la colec- ción tA,Bu para convertirla en la mı́nima σ-álgebra de sunconjuntos de Ω que contiene a A y a B? 62. Demuestre que toda σ-álgebra es álgebra. Mediante un contraejemplo demuestre que el rećıproco es falso, es decir, no toda álgebra es una σ-álgebra. Véase la Figura 1.15. Compare este resultado general con el que se presenta en el siguiente ejercicio. 63. Sea Ω un espacio muestral finito. Demuestre que toda álgebra de sub- conjuntos de Ω es también una σ-álgebra. 64. Sean F1 y F2 dos σ-álgebras de subconjuntos de Ω. a) Escriba la definición de F1 X F2. b) Demuestre que F1 X F2 es una σ-álgebra. c) Mediante un contraejemplo demuestre que F1 Y F2 no necesa- riamente es una σ-álgebra. 65. En un juego de tiro al blanco se pueden obtener 0 puntos, 1 punto, 2 puntos o 3 puntos. Defina el evento An como aquel en el que se obtienen n puntos al efectuar un tiro al blanco. Claramente los eventos A0, A1, A2 y A3 son ajenos dos a dos y constituyen una partición 1.10. Sigma álgebra de Borel 49 del espacio muestral de este experimento aleatorio. Encuentre una σ- álgebra que contenga a estos cuatro eventos simples. 1.10. Sigma álgebra de Borel En esta sección estudiaremos brevemente un ejemplo de σ-álgebra que nos será de utilidad. Tomaremos como espacio muestral el conjunto de números reales R y consideraremos la colección de intervalos de la forma p´8, xs para cualquier número real x, es decir, sea C “ t p´8, xs : x P R u. Esta colección contiene un número infinito no numerable de elementos pero es claro que no constituye una σ-álgebra de subconjuntos de R pues, por ejemplo, no es cerrada bajo la operación de tomar complementos. La σ-álge- bra de Borel de R se puede construir a partir de esta colección considerando la σ-álgebra más pequeña de subconjuntos de R que contiene a la colección C . Definición 1.8 La σ-álgebra de Borel de R se denota por BpRq y se define como la mı́nima σ-álgebra de subconjuntos de R que contiene a todos los intervalos de la forma p´8, xs, esto se escribe de la forma siguiente: BpRq :“ σt p´8, xs : x P R u. A los elementos de BpRq se les llama conjuntos de Borel, conjuntos Borel medibles o simplemente Borelianos de R. El śımbolo σ en la expresión anterior significa que se está tomando la mı́nima σ-álgebra generada por la colección t p´8, xs : x P R u, y el adjetivo mı́nimo significa que si F es una σ-álgebra que contiene a la colección C , entonces BpRq Ď F , es decir, BpRq es la más pequeña. Existen otras formas equiva- lentes de definir a BpRq pero la que hemos presentado es suficiente para los propósitos de este texto. Es interesante mencionar también que el concepto 50 1. Probabilidad elemental de σ-álgebra de Borel puede extenderse a Rn y aun a espacios más generales. Para entender mejor a la σ-álgebra de Borel de R, mostraremos a continua- ción algunos otros elementos que pertenecen a esta colección de subconjun- tos de R. Expresaremos a estos elementos como el resultado de operaciones de elementos que sabemos que pertenecen a BpRq y en donde las operacio- nes son aquellas bajo las cuales toda σ-álgebra es cerrada según la definición. En la siguiente tabla, x y y son cualesquiera números reales tales que x ď y. Subconjunto Se expresa como px,8q p´8, xsc p´8, xq Ť8n“1p´8, x ´ 1{ns rx,8q p´8, xqc rx, ys p´8, ys ´ p´8, xq rx, yq p´8, yq ´ p´8, xq px, ys p´8, ys ´ p´8, xs px, yq p´8, yq ´ p´8, xs txu p´8, xs ´ p´8, xq N Ť8 n“1tnu Z Ť8 n“´8tnu Q Ť8 n,m“´8tn{mu I (Irracionales) Qc Aśı, todos los conjuntos en la lista anterior son elementos de BpRq, añadi- dos con los que se puedan producir a partir de ellos. Uno podŕıa entonces pensar que todo subconjunto de R es un Boreliano pero ello no es cierto, se pueden construir subconjuntos de R que no son Borelianos. Una vez que estudiemos en el siguiente caṕıtulo el concepto de variable aleatoria, esta- remos considerando siempre impĺıcitamente conjuntos de Borel de R como eventos. 1.11. Espacios de probabilidad 51 1.11. Espacios de probabilidad Con los elementos antes estudiados podemos ahora definir formalmente la estructura matemática diseñada para modelar un experimento aleatorio. Definición 1.9 Un espacio de probabilidad es una terna pΩ,F , P q en donde Ω es un conjunto arbitrario, F es una σ-álgebra de subconjuntos de Ω y P es una medida de probabilidad definida sobre F . El conjunto arbitrario Ω representa usualmente el espacio muestral de un ex- perimento aleatorio e inicialmente tal conjunto no tiene ninguna estructura matemática asociada, pues sus elementos pueden ser de muy diversa na- turaleza. Este conjunto puede estar constituido por números (mediciones), personas, objetos, categoŕıas, etc. Hemos señalado que no existe necesaria- mente un único espacio muestral para un experimento aleatorio pero en la mayoŕıa de los casos su especificación queda entendida de manera impĺıcita. Hemos mencionado también en la sección anterior, que la σ-álgebra F tiene el objetivo de agrupar en una sola colección a todos los subconjuntos de Ω, llamados eventos, para los cuales uno está interesado en definir o calcular su probabilidad. Aśı, la σ-álgebra es un conjunto de subconjuntos de Ω y existen varias σ-álgebras que uno puede asociar a un mismo espacio mues- tral. Finalmente, la medida de probabilidad P es una función definida sobre la σ-álgebra. Tal función no se especifica de manera totalmente expĺıcita pero se le pide que cumpla los axiomas de Kolmogorov. Aśı, no existe siempre una única medida de probabilidad asignada sino que ésta es general. Es- ta función indica
Compartir